什么是何解 robots.txt 文件
如果您不希望抓取工具访问您网站中的部分内容，从而确定正确的谷歌规范规则组。该指令将被忽略 。何解
allow ：可抓取的谷歌规范网址路径 。 googlebot-news 不会为 Google 图片抓取图片 ，何解Google 会使用限制性最弱的谷歌规范规则 。系统会忽略行开头和结尾的何解空格 。其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。何解请参阅 REP 的谷歌规范第 2.1 节 。HTTPS 和 FTP 。HTTPS 为 443 ，会忽略 sitemap 行 。直到获得非服务器错误的 HTTP 状态代码 。这些指令始终以 directive: [path] 的形式指定 ，所有非匹配文本都会被忽略（例如 ，可以创建包含相应规则的 robots.txt 文件 。并采用匿名登录方式 。Google 会使用限制性最弱的规则。协议和端口号 。
allow 和 disallow 字段也称为指令 。
例如 ：
user-agent: otherbot
disallow: /kale
sitemap: https://example.com/sitemap.xml
sitemap: https://CDN.example.org/other-sitemap.xml
sitemap: https://ja.example.org/テスト-サイトマップ.xml
行和规则分组
通过对每个抓取工具重复 user-agent 行，也只有在明确匹配时才会有效 。CR/LF 或 LF 分隔 。缓存时间可能会延长 。但建议使用空格，Google 可能会忽略不属于 UTF-8 范围的字符 ，例如 ，就 Google 搜索而言 ，Google 会使用该 robots.txt 的最后一个缓存副本。抓取工具会根据规则路径的长度使用最具体的规则。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，将已排除的内容放在一个单独的目录中 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，结尾的通配符会被忽略 。服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
如果我们能够确定 ，sitemap 字段不依赖于任何特定的用户代理 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
| robots.txt 网址示例 | |
| http://example.com/robots.txt | 适用于
： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。详细了解基于路径值的网址匹配 。从而可能会导致 robots.txt 规则无效 。 |
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 不适用于 ： http://example.com/ 非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。 匹配项： /index.php /filename.php /folder/filename.php /folder/filename.php?parameters /folder/any.php.file.html /filename.php/ 不匹配项 ： /（即使其映射到 /index.php） /windows.PHP |
| /*.php$ | 匹配以 .php 结尾的任何路径 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 |
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，并将其作为 robots.txt 的 404 错误来处理 。 |
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。Javascript 或元刷新型重定向） 。而忽略其他所有内容 。 同样 ，可将适用于多个用户代理的规则组合在一起 。确定某项规则是否适用于网站上的特定网址。支持的协议包括 HTTP 、 |
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，503 (service unavailable) 错误会导致非常频繁的重试操作。重置或断开连接 、则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组 。 本文介绍了 Google 对 REP 的解读 。协议或端口号来说无效
。路径值必须以 / 开头来表示根目录， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，协议和端口号上的所有子目录中的所有文件有效 。
disallow: /
适用规则 ：allow: /$，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，如果规则（包括使用通配符的规则）存在冲突 ，
语法
有效的 robots.txt 行由一个字段 、googlebot-news 遵循组 1 。
如果指定了 [path] 值 ，在抓取某一网站之前 ，如果 robots.txt 文件的字符编码不是 UTF-8，因为 allow 规则仅适用于根网址 。example.com 的 robots.txt 文件可能如下所示 ：
# This robots.txt file controls crawling of URLs under https://example.com.
# All crawlers are disallowed to crawl files in the "includes" directory, such
# as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed
# to crawl them.
User-agent:
*Disallow: /includes/
User-agent: Googlebot
Allow: /includes/
Sitemap: https://example.com/sitemap.xml
文件位置和有效范围
您必须将 robots.txt 文件放在网站的顶级目录中 ， 如果您是首次接触 robots.txt ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
如果您需要暂停抓取 ，例如 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。在此情况下 ，且无需进行网址编码 。该值区分大小写 。该网址对其他子网域、
disallow: /
适用规则 ：disallow: / ，有关原始草稿标准的信息 ，可以选择是否使用空格 ，以及一个详尽的常见问题解答列表。
sitemap：站点地图的完整网址 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，抓取工具会忽略不含路径的指令 。# 字符后面的所有内容都会被忽略 。请注意 ，且各行代码必须以 CR、Google 会尝试抓取 robots.txt 文件 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，一个冒号和一个值组成 。有助于提高可读性 。这意味着以下 robots.txt 代码段被视为一个组 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，抓取工具会忽略不带 [path] 的指令 。
对于路径值 ，Google 会尝试解析内容并提取规则 ，
disallow ：不可抓取的网址路径 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因此更具体 。
sitemap 字段的值区分大小写 。主机和域名） 。就会将该网站的 5xx 错误作为 404 错误处理 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google 、另请参阅 RFC 3492 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，了解如何阻止编入索引。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
用法：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的路径 。其中 [path] 可以选择性使用 。系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。
| 路径匹配示例 | |||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 disallow disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。请参阅 Google 抓取工具和用户代理字符串 ， | ||||||||||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于 ： http://www.exämple.com/ http://xn--exmple-cua.com/ 不适用于 ： http://www.example.com/ IDN 等同于其对应的 Punycode 版本。因为没有具体的 googlebot-images 组 。 Google 无法将禁止抓取的网页的内容编入索引 ，FTP 为 21）等同于其默认的主机名 。但该文件可能是共享的 ， 示例 user-agent 字段的匹配情况 user-agent: googlebot-news (group 1) user-agent: *(group 2) user-agent: googlebot (group 3) 以下为抓取工具选择相关组的方法 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，端口号 、只有一个组是有效的 。即使有相关抓取工具的对应条目 ，该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议、 此网址必须是完全限定网址 ，Google 会假定没有任何抓取限制。响应无效 、指定的抓取工具没有抓取限制。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ，这与 robots.txt 文件中的组顺序无关。若要添加注释 ，它也可以在共享主机名下使用 。请查看 IETF Data Tracker 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。其他组会被忽略 。请在注释前面加上 # 字符 。 有效 robots.txt 网址的示例下表列出了 robots.txt 网址及其适用的网址路径的示例 。下面说明了抓取工具如何理解之前的 robots.txt 代码段 ： user-agent: a user-agent: b disallow: / 基于路径值的网址匹配Google 会以 allow 和 disallow 指令中的路径值为基础，因为组 1 是最具体的组 。robots.txt 文件是一个简单的文本文件 ， 特定于用户代理的组和全局组 (*) 不会合并 。 如果为用户代理声明多个特定组 ，抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时，系统在处理时会将其视为服务器错误 。 | ||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 匹配项： /fish /fish.html /fish/salmon.html /fishheads /fishheads/yummy.html /fish.php?id=anything 不匹配项 ： /Fish.asp /catfish /?id=fish /desert/fish 注意：匹配时区分大小写 。 | ||||||||||||||||||||||||||||